Escolar Documentos
Profissional Documentos
Cultura Documentos
Porto Alegre, RS
2001
MINISTÉRIO DA EDUCAÇÃO E DO DESPORTO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
Escola de Engenharia
Programa de Pós-Graduação em Engenharia de Minas, Metalúrgica e Materiais
PPGEM
Porto Alegre, RS
2001
Esta dissertação foi julgada adequada para a obtenção do Título de Mestre
em Engenharia e aprovada em sua forma final pelo Orientador e pela Banca
Examinadora do Curso de Pós-Graduação.
Banca Examinadora:
Charles Baudelaire
v
Agradecimentos
Índice
Lista de Figuras.......................................................................................... x
Lista de Tabelas..................................................................................... xxiii
Resumo...................................................................................................xxv
Abstract .................................................................................................. xxvi
Capítulo 1 - Introdução............................................................................... 1
1.1 Estado-da-Arte........................................................................ 3
1.2 Meta........................................................................................ 6
1.3 Objetivos específicos da dissertação...................................... 7
1.4 Metodologia ............................................................................ 7
1.5 Organização dessa dissertação.............................................. 9
Lista de Figuras
Figura 2.10 Vista da área de N para S, com limites aproximados dos dois
domínios geológicos (« t » = tálus; « p » = planície)........ 24
Lista de Tabelas
Tabela 3.1 Resumo das estatísticas básicas para todas as variáveis nos
dois subdomínios................................................................ 71
Resumo
Abstract
Clay is a key raw material in the wall and floor tiles manufacturing.
Industrial specifications must be fulfilled for clay utilization as component into
the ceramic formulations. Homogeneity is vital. In the mineral deposit, source
of this material, the ceramic clay characteristics and their representativety,
variability, and interaction with the local geology must be well known, in order
to properly quantify and classify each portion of the deposit. This brings
foundation to the related mining decision-making processes. This dissertation
presents a methodology for resource/reserve assessment of ceramic clay,
using a probabilistic perspective. Established geostatistical methods such as
kriging and stochastical simulations are applied at a mining block support.
Geological resources of a given deposit are accurately estimated. In its more
favorable sector, recoverable reserves are evaluated under ceramic and
mining selectivity criteria, taken either individually or jointly, globally and
locally. For the presented case study, two post-firing ceramic properties are
considered, water absorption and linear retraction, both measured in
percentage, besides the clay seam thickness, in meters. Extreme and median
reserves scenarios are modeled, enhancing decision making in mining
alternatives. Comparisons with traditional methods used to evaluate this type
of deposits proves the advantages of the proposed methodology, which
allows, besides the quantification and ceramic classification of reserves, risk
assessment.
Capítulo 1
Introdução
1.1 Estado-da-Arte
1.2 Meta
1.4 Metodologia
Variografia
Conclusões e recomendações
2.1 Localização
↑N
BRASIL
Oceano
Atlântico
Oceano
Atlântico
Figura 2.1 - Localização da área de estudo (distâncias em km). Fonte: Mapa Brasil - Quatro
Rodas, 1994.
13
♦
Análise química
e mineralógica
Figura 2.2 - Contexto geológico e topográfico local da área de estudo (mapa-base: cópia parcial
da Carta de São Bento Baixo, IBGE, escala original 1:50.000, coordenadas UTM).
14
Depósito de argila
↑N
cerâmica em estudo
Oceano
Atlântico
SC
RS
20 km
Figura 2.3- Geologia regional da área de estudo (adaptada do Atlas de Santa Catarina,
SEPLAN/SC, 1986).
15
Figura 2.4 - Contexto geológico regional da área em estudo (mapa-base: Carta Geológica de
Turvo, CPRM, 1986, escala original 1:100.000, Projeto Borda Leste da Bacia do Paraná).
16
↑N
t
t
p 800 m p
Figura 2.5 - Fotografia aérea à esquerda e mapa topográfico à direita, ambos na mesma escala.
Dois subdomínios geológicos são indicados no interior da área pesquisada (quadrado em
vermelho): “t” para tálus e “p” para planície. Eqüidistância das curvas de nível: 5 m
fluxo é radial a partir da fonte, com limitações laterais muitas vezes balizadas
pelo relevo local, como é o caso do estudo presente, a W da planície aluvial
(baixas encostas onde ocorrem os folhelhos e siltitos da Formação Serra
Alta).
Extremo NW
Figura 2.6 - Visão parcial da área sondada (delimitada em vermelho) em primeiro plano,
mostrando logo à montante do extremo NW as cabeceiras do canal principal do leque aluvial, e
ao fundo os contrafortes da Serra Geral.
estratificação interna é pobre. A Figura 2.8 ilustra o que pode ser observado
no NE da área pesquisada, no interior do subdomínio tálus, em relação a
feições acima citadas, com imbricamento de seixos em meio à massa
argilosa, principalmente de folhelhos da Formação Serra Alta, e
eventualmente de arenitos e basaltos das formações sobrepostas.
N Tálus
W E
*
Planície
N 550 m S
limonita
tálus
planície 10 m
Tálus
Talus Solo Orgânico
Substrato rochoso: folhelho
Argila Aluvial
W 775 m
E
tálus
planície
4m
Figura 2.7 - Seções verticais esquemáticas cortando os dois subdomínios geológicos da área
pesquisada (locadas no mapa acima em vermelho; asterisco azul: local da foto da Figura 2.8).
1.5 m
depósito
de tálus
________
argila
aluvial
Figura 2.8 - Afloramento em corte vertical mostrando depósito de tálus com seixos imbricados
jazendo sobre a argila aluvial (local da foto indicado na Figura 2.7).
tálus
planície
p
t
Figura 2.10 - Vista da área de N para S, com limites aproximados dos dois domínios geológicos
(« t » = tálus; « p » = planície).
2 km
limonita
~1m
argila
cerâmica
substrato
rochoso
(folhelho)
Figura 2.13 - Corte aberto para extração experimental de argila aproximadamente no centro da
área pesquisada.
29
• retração linear
• absorção d’água
• coeficiente de dilatação
• cor de queima
Além disso, a função covariância entre dois pontos x e x+h (ponto separado
de x a uma distância correspondente ao vetor h, de magnitude e direção
definidas) depende do vetor h mas não do valor no ponto x propriamente dito,
conforme:
3.2.1 Topografia
100
N
1000
0
75
10
75
75
75
50
100
100
50
500
75
100
75
100
0
75
50
50
75
40
50
-500 50
50
75
S ão B onifácio
35
75
30
-1000 75
50
50 75
LEGENDA
Acesso a propriedade
Drenagem
Curvas de nível
Perímetro urbano
Figura 3.1 - Mapa base contendo a delimitação da área sondada (coordenadas XY locais em
metros, adotadas para a malha de sondagem; altitudes acima do nível do mar).
47
Altitude (m)
140
135
130
125
120
115
110
105
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
LEGENDA
Drenagem
Estrada não pavimentada
Acesso a propriedades
Perímetro urbano
Figura 3.2 - Mapa de relevo da área estudada, contendo informações topográficas e locação dos
furos de trado executados (exagero vertical: 3 X; altitudes acima do nível do mar).
Figura 3.3. Elevação topográfica para a área de estudo. Coordenadas XYZ locais, em metros.
48
A maior parte dos dados provém de furos de trado manual com apenas
um intervalo amostrado, de suporte (espessura) variável, conforme
comentado anteriormente. Para tais situações, a abordagem em 2D
trabalhando com acumulações (multiplicação do parâmetro por sua
espessura) é mais adequada. Entretanto, neste banco de dados inicial
observa-se em alguns furos o registro de mais de um intervalo amostrado,
junto ao subdomínio tálus. Esta é a porção mais espessa do depósito,
apresentando algumas variações verticais macroscópicas, as quais incluem
as já mencionadas intercalações de material estéril limonítico, e também o
emplihamento da argila da planície sobreposta pelo tálus, conforme discutido
no item 2.2.2, e mostrado nas seções verticais esquemáticas da Figura 2.7.
Essas variações macroscópicas verticais foram observadas para 20
furos na parte norte central do depósito (Figura 3.4a), mais 8 furos na porção
NE do tálus, cujas amostras acabaram sendo suprimidas do banco de dados
final, conforme será abordado adiante neste item. Nestes casos, a
amostragem foi subdividida em dois ou três intervalos, verticalmente. Destes
furos, sete interceptaram argila com intercalações decimétricas de
contaminações limoníticas, correspondendo a um material considerado
ceramicamente estéril e contaminante (Figuras 2.7 e 2.13). Tais intercalações
foram separadas, juntando os segmentos acima e abaixo dessas e formando
uma única amostra a ser analisada.
A distribuição espacial das variáveis e a espessura foram estudados
em detalhe nesta região, incluindo observações em campo, tentando
correlacionar seus comportamentos aparentes com as condições geológicas
e geométricas locais. Este estudo mostrou quão errática esta região é,
comparada com o restante do depósito (mesmo quando comparada ao
subdomínio tálus como um todo, que por sua geologia já compõe um domínio
heterogêneo por natureza), e também a dificuldade em visualizar alguma
continuidade horizontal para possíveis níveis com constância suficiente. A
irregularidade do comprimento amostral e suas relativamente pequenas
dimensões não permitiram uma maneira racional de regularizá-las
verticalmente.
52
(a) ↑N
Remoção
Remoção
(b) ↑N
T
Figura 3.4 Locação de todos os furos de trado em malha 25m x 25m, mostrando amostras
removidas em (a), e campo amostral definitivo, com contato geológico transicional demarcado em
linha contínua (“T” = tálus; “P” = planície) em (b).
54
Distribuições Geográficas
Planície
TÁLUS
PLANÍCIE
1200
↑N
1000
Furos de trado
800 106
Espessura (m)
TÁLUS
0 a 0.5
600 0.5 a 1
118
1 a 1.5
75
400 1.5 a 2.5
117
2.5 a 3.5
200 111
100
113
PLANÍCIE
0 34
50
75
LEGENDA
84
-200
Contato geológico aproximado
-400 Drenagem
67
-1000 81
Curvas de nível (m)
75
83
Perímetro urbano
-1200 28
-200 0 200 400 600 800 1000 1200 1400 1600 (m)
Figura 3.5 - Mapa base com os valores amostrais de espessura de argila na área sondada,
ampliado acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros
acima do nível do mar.
58
TÁLUS
PLANÍCIE
1200
↑N
1000
Furos de trado
106
800
TÁLUS Absorção d'água (%)
0 a 10
600 10 a 15
118
15 a 20
75
400 20 a 25
117
200 111
100
113
PLANÍCIE
0 34
50
50
75
LEGENDA
84
-200
Contato geológico aproximado
-400 Drenagem
67
58
Estrada não pavimentada
-600
75
Acesso a propriedades
São Bonifácio
-800 79
75
79
Limites da área sondada
81
Figura 3.6 - Mapa base com os valores amostrais de absorção d’água na área sondada, ampliado
acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros acima do
nível do mar.
59
TÁLUS
PLANÍCIE
1200
↑N Furos de trado
1000
Retração linear (%)
800
TÁLUS
106
0 a 1.5
1.5 a 2.5
600 2.5 a 3.5
75
118
3.5 a 5
400 5 a 11
117
200 111
100
113
PLANÍCIE
0 34
LEGENDA
75
50
84
-200 Contato geológico aproximado
Drenagem
-400
67
Estrada não pavimentada
58
-600
Acesso a propriedades
75
São Bonifácio
-800
75
79
Limites da área sondada
79
81
-1000 81
Curvas de nível (m)
75
83
Perímetro urbano
-1200 28
-200 0 200 400 600 800 1000 1200 1400 1600 (m)
Figura 3.7 - Mapa base com os valores amostrais de retração linear na área sondada, ampliado
acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros acima do
nível do mar.
60
↑N ↑N
Figura 3.8 - Mapas de valores amostrais de acumulação de absorção d'água (a), e de acumulação
de retração linear (b). Valores em %.m.
Tálus
↑N ↑N
Figura 3.9 - Mapas de valores amostrais de acumulação de absorção d'água (a), e de acumulação
de retração linear (b). Valores em %.m.
Análise Estatística
Planície
(a) (b)
Figura 3.10 - Distribuição amostral original (a) e desagrupada (b) para espessura.
(a) (b)
(c) (d)
Figura 3.11- Distribuições amostrais de absorção d’água (a) e retração linear (b), ponderadas
com espessura dos intervalos correspondentes. Histogramas de freqüência acumulada, contendo
os intervalos de classificação cerâmica, são mostrados em (c) para absorção d’água, e (d) para
retração linear.
(a) (b)
(c) (d)
Figura 3.12 - Distribuição amostral original (a) e desagrupada (b) para acumulação de absorção
d’água, e acumulação de retração linear, respectivamente (c) e (d).
66
PLANÍCIE
(a) (b)
(c) (d)
(e) (f)
Figura 3.13 - Diagramas de correlação entre: (a) absorção d’água e retração linear, mostrando
os limites de classificação cerâmica; (b) as duas acumulações; (c) absorção d’água e espessura;
(d) retração linear e espessura; (e) acumulação de absorção d’água e espessura; (f) acumulação
de retração linear e espessura.
67
Tálus
(a) (b)
(c) (d)
Figura 3.15 - Histograma original de absorção d’água (a) e retração linear (b), apresentando
valores ponderados com espessura dos intervalos correspondentes. Histogramas de freqüência
acumulada, contendo os intervalos de classificação cerâmica, são mostrados em (c) para absorção
d’água, e (d) para retração linear.
(a) (b)
Figura 3.16 - Distribuição amostral original para acumulação de absorção d’água (a), e
acumulação de retração linear (b).
70
TÁLUS
(a) (b)
(c) (d)
(f)
(e)
Figura 3.17 - Diagramas de correlação entre: (a) absorção d’água e retração linear, mostrando
os limites de classificação cerâmica; (b) as duas acumulações; (c) absorção d’água e espessura;
(d) retração linear e espessura; (e) acumulação de absorção d’água e espessura; (f) acumulação
de retração linear e espessura.
71
Quadro Comparativo
Tabela 3.1 - Resumo das estatísticas básicas para todas as variáveis nos dois subdomínios.
Tálus Planície
E 0,20 3,00 1,21 0,57 0,47 191 0,40 2,40 0,95 0,38 0,41 231
A 4,18 20,17 13,24 2,54 0,19 191 9,59 21,5 15,46 1,67 0,11 230
R 0,10 8,19 2,71 1,55 0,57 191 0,00 6,29 1,60 1,01 0,63 230
A 2,57 42,39 16,01 7,97 0,50 191 3,84 35,93 14,85 5,92 0,40 230
R 0,14 16,70 3,28 2,57 0,78 191 0,00 5,95 1,59 1,19 0,75 230
OBS.: E = espessura (m) ; A = absorção d’água (%) ; R = retração linear (%) ; A = acumulação de absorção d’água (%.m) ;
R = acumulação de retração linear (%.m); DP = desvio padrão ; CV = coeficiente de variação ; N0 = número de amostras.
1 N (h)
2γ*(h) = ∑
N (h) i =1
[ z ( xi ) − z ( xi + h)]2 (3.3)
3.3.1 Planície
3 | h | 1 | h |3
γ (h) = Co + C[ − ( )] , para |h| < a (3.4)
2 a 2 a3
|h|
γ (h) = Co + C[1 − e(− )] (3.6)
a
PLANÍCIE
(a) (b)
γ γ
N10W N80E
(m) (m)
(c) (d)
γ γ
N10W N80E
(m) (m)
(e) (f)
γ γ
N65E
N25W
(m) (m)
Figura 3.18 - Modelos variográficos (linhas contínuas) ajustados para o subdomínio planície, com
base nos valores de variogramas experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b), acumulação de absorção d’água (c)(d), e
acumulação de retração linear (e)(f).
3.3.2 Tálus
TÁLUS
(a) (b)
γ
γ
N35W N55E
(m) (m)
(c) (d)
γ
γ
N35W N55E
(m) (m)
(e) (f)
γ
γ
N25W N65E
(m) (m)
Figura 3.19 - Modelos variográficos (linhas contínuas) ajustados para o subdomínio tálus, com
base nos valores de variogramas experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b), acumulação de absorção d’água (c)(d), e
acumulação de retração linear (e)(f).
N N
Figura 3.20 - Sumário das direções de maior continuidade espacial para as variáveis
regionalizadas em estudo nos dois subdomínios.
ser vistos em uma série de trabalhos clássicos, entre os quais: David (1977,
Caps.9 e 10), Journel & Huijbregts (1978, Cap.V), Clark (1979, Cap.5), Isaaks
& Srivastava (1989, Cap.12), Goovaerts (1997, Cap.5), Deutsch & Journel
(1998, Cap.IV), Armstrong (1998, Caps.7, 8 e 9), Olea (1999, Caps.2 e 4) e
Chilès & Delfiner (1999, Cap.3).
ZONA DE TRANSIÇÃO
(a)
(b) (c)
Figura 3.22 - Comparativo de resultados finais entre estimativas a partir dos modelos
variográficos da planície contra estimativas a partir dos modelos variográficos do tálus, para os
blocos krigados na zona de transição, variáveis espessura (a), absorção d’água (b) e retração
linear (c).
valores estimados muito semelhantes entre si. Diante desta proximidade dos
resultados, tomou-se como valor de estimativa definitivo simplesmente a
média aritmética entre os dois valores obtidos em cada bloco, para cada
variável.
A Figura 3.23 mostra esquematicamente o processo de transformação
efetiva de uma linha de contato transicional entre dois subdomínios em um
subdomínio à parte, a zona de transição, ou simplesmente “transição”,
denominação com que será tratado ora em diante.
↑N ↑N
T T
P P
Tabela 3.4 - Número de blocos estimados em cada subdomínio e respectivas extensões em área.
Tálus Planície Transição Total
3.4.2.1 Planície
(a) (b)
(c) (d)
Figura 3.24 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água
(%) no subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
(a) (b)
(c) (d)
Figura 3.25 - Resultados da krigagem em blocos 25m x 25m para a variável retração linear (%)
no subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
(a) (b)
(c) (d)
Figura 3.26 - Resultados da krigagem em blocos 25m x 25m para a variável espessura (m) no
subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos
valores estimados; blocos classificados como biqueima (c) e monoporosa (d).
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700 (m)
14% 5%
(a) 14% (b)
Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
86% 81%
Figura 3.28 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b)
3.4.2.2 Tálus
qualidade o panorama é bem diferente, como será visto adiante, fazendo com
que este número caia drasticamente (Figura 3.29c e d). Comparando com
valores pontuais amostrais (Figura 3.15c), observa-se que neste caso as
estatísticas, embora com menor dispersão, apresentam padrões semelhantes
no tocante ao enquadramento em intervalos de classificação cerâmica.
Os blocos classificados como argila tipo Biqueima (Figura 3.29c)
distribuem-se fragmentariamente no tálus, numa situação bastante
desfavorável em termos de possível explotação, agravada por ser uma região
parcialmente coberta por residências e cortada por estrada vicinal. Os blocos
tipo monoporosa (Figura 3.29d) apresentam-se em pequena quantidade,
muito dispersos e a exemplo da planície, com valores estimados para
absorção d’água no limite para argilas tipo Biqueima.
(a) (b)
(c) (d)
Figura 3.29 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água (%)
no subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
98
(a) (b)
(c) (d)
Figura 3.30 - Resultados da krigagem em blocos 25m x 25m para a variável retração linear (%)
no subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
(a) (b)
(c) (d)
Figura 3.31 - Resultados da krigagem em blocos 25m x 25m para a variável espessura (m) no
subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos valores
estimados; blocos classificados como biqueima (c) e monoporosa (d).
100
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
3%
(a) (b)
40% Monoporosa
Argila Cerâmica 36%
Biqueima
Fora dos Padrões
60% Fora dos Padrões
61%
Figura 3.33 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b), subdomínio tálus.
3.4.2.3 Transição
(a) (b)
(c) (d)
Figura 3.34 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água
(%) no subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
(a) (b)
(c) (d)
Figura 3.35 - Resultados da krigagem em blocos 25m x 25m para a variável retração linear (%)
no subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
(a) (b)
(c) (d)
Figura 3.36 - Resultados da krigagem em blocos 25m x 25m para a variável espessura (m) no
subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos
valores estimados; blocos classificados como biqueima (c) e monoporosa (d).
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
22% 8%
(a) (b) 22%
Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
78%
70%
Figura 3.38 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b), subdomínio transição.
Z Z
POLÍGONOS KRIGAGEM
Z* Z*
Figura 4.1 - Comparativo do teor real Z x teor estimado Z* para blocos, estimando pelos
métodos de polígonos de influência (à esquerda) e krigagem (à direita). Extraído de Marechal
(1976a), em David (1977, p.309).
F F
Figura 4.2 - Recuperações estimadas para um dado teor de corte zo (F = freqüência): (a)
influência do suporte [s2(v/G) e s2(c/G): respectivamente variâncias de dispersão bloco/depósito e
ponto/depósito]; (b) influência do padrão de informação [s2K*(v/G): variância de dispersão dos
blocos krigados no depósito G]. Extraído de Journel & Huijbregts (1978, p.447 e 450).
dados
Figura 4.3 - Exemplo ilustrativo de cabo submarino: (a) levantamento do fundo oceânico com
espaçamento amostral de 100 m; (b) krigagem do fundo oceânico; (c) levantamento contínuo
(verdadeiro perfil); (d) simulação condicional baseada em dados amostrais espaçados de 100 m,
comparada com verdadeiro perfil. Extraído de Alfaro (1979), em Chilès & Delfiner (1999 p.450).
120
dispersões dos teores reais [zo(x)]. De forma típica, valores baixos são
superestimados, enquanto valores altos são subestimados. Além disso, a
suavização da krigagem não é uniforme, sendo mínima próxima aos dados e
aumentando ao distanciar-se destes.
Por outro lado a simulação, especialmente a simulação condicional,
reproduz as principais características de dispersão destes teores reais [zo(x)],
com os mesmos momentos (média e variograma). Essa reprodução de
momentos é prioritária sobre a acuracidade local (Deutsch & Journel, 1998
p.120). Diferentemente da krigagem, a cada ponto x o valor simulado não
corresponde à estimativa ótima de zo(x), no sentido de menor erro possível
(acuracidade). A reprodução de mecanismos genéticos que geram os
fenômenos observados não constitui o objetivo das simulações, e sim, mais
modesta e realisticamente, apresentar versões possíveis de suas variações
espaciais (Chilès & Delfiner, 1999 p.453).
Mapas produzidos pelo algoritmo de krigagem, os quais na verdade
constituem médias ponderadas móveis dos dados amostrais originais
(Deutsch & Journel, 1998 p.18), apresentam um típico efeito suavizador,
denotando assim uma menor variabilidade espacial que os dados. Por outro
lado, os mapas condicionalmente simulados são mais apropriados para
estudos sensíveis a padrões de variabilidade local, como a presente análise
de reservas recuperáveis. Uma seqüência de mapas de simulação
condicional pode prover uma medida (modelo) de incerteza sobre a
distribuição espacial do atributo em estudo.
Com exceção da hipótese de um modelo Gaussiano de erros ser
assumido, a krigagem fornece apenas uma medida incompleta de
acuracidade local, e nenhuma apreciação da acuracidade conjunta quando
muitas locações são consideradas juntas (Deutsch & Journel, 1998 p.120).
As simulações podem prover tais medidas de acuracidade, tanto a nível local
quanto global. Estas medidas são dadas pelas diferenças entre L valores
simulados alternativos a qualquer locação (acuracidade local) ou os L
campos simulados alternativos (acuracidade global ou conjunta).
A suavização da krigagem reflete-se diretamente na apreciação dos
variogramas gerados. O variograma experimental de estimativas é diferente
do variograma experimental das amostras, com um sill menor e um alcance
122
(v) criação de uma malha de alta resolução (1m x 1m), coincidindo os nós
da malha regular original de amostragem com alguns nós da malha de
simulação;
(vi) escolha aleatória da locação xi do nó para a geração de um valor
simulado;
(vii) krigagem simples para obter a estimativa z*(xi) e a variância de
krigagem σ2(xi), condicionada à uma amostragem expandida que
englobe, além de dados vizinhos amostrais, dados já simulados;
(viii) definição de uma distribuição normal local com média z*(xo) e
variância σ2KS(xo): N[z*(xo),σ2KS(xo)], onde σ2KS = variância de
krigagem simples. O valor simulado zs(xo) é então gerado
randomicamente (via método de Monte-Carlo) a partir desta
distribuição normal local;
(ix) adição de zs (xo) para a amostragem expandida (dados originais +
dados previamente simulados);
(x) retomada dos passos anteriores [(vi) em diante], até preencher todos
os nós da malha de simulação com valores simulados;
(xi) retro-transformação dos valores simulados do espaço Gaussiano para
o espaço original. Extrapolações das classes extremas e
interpolações das classes intermediárias são usualmente utilizadas
(Deutsch & Journel, 1998 pp.134-138). No caso presente, truncou-se
o intervalo de valores simulados de acordo com os extremos
amostrais, não havendo portanto extrapolações.
blocos zv,sc(x). Como a simulação de pontos zsc(x) é condicional aos dados zo,
a simulação em blocos será por extensão condicionada aos mesmos dados.
O bloco é aproximado por n pontos interiores (xi, i = 1 a n), e o
verdadeiro valor do atributo de interesse do bloco v, obtido pela Equação 4.1,
1
v ∫v ( x )
Z v ( x) = Z ( y )dy (4.1)
1 n
Z = ∑ Z ( xi )
*
v (4.2)
n i =1
1
lim | V | ∫ Z ( x,ω )dx = m(ω )
V →∞
V
(4.3)
1
lim | V | ∫ [C (h)] dh = 0
V →∞
V
(4.4)
↑N
↑N
(m)
Figura 4.4 - Quatro realizações da variável espessura na malha de alta resolução 1m x 1m tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, mapa amostral de referência.
138
(m)
Figura 4.5 - Quatro realizações da variável espessura em blocos 25m x 25m, extraídas do grupo de
cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem ordinária.
140
Tabela 4.1 – Comparativo entre variâncias de espessura (m2). A variância amostral (pontual) é
calculada sobre os dados desagrupados, enquanto os valores de variância obtidos das simulações
nos dois suportes representam as médias de variâncias para as 50 realizações.
Amostral Simulação 1m x 1m Krigagem 25m x 25m Simulação 25m x 25m
(%)
Figura 4.6 - Quatro realizações da variável absorção d’água em blocos 25m x 25m, tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem
ordinária.
143
(%)
Figura 4.7 - Quatro realizações da variável retração linear em blocos 25m x 25m, tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem
ordinária.
(a) (b)
(m)
(c) (d)
(%)
(e) (f)
(%)
Figura 4.8 - Médias bloco-a-bloco (E-type) das cinqüenta realizações para espessura (a),
absorção d’água (c) e retração linear (e), mostrando para bloco destacado no centro-oeste da
área histogramas de variabilidade para valores simulados em cada variável, respectivamente (b),
(d) e (f). Para as variáveis de qualidade são demarcadas nos histogramas os intervalos aceitáveis
para argila cerâmica, quando as variáveis são consideradas individualmente.
σs
CVbl = (4.5)
Xs
(a) (b)
(c)
CV
poderia ser, por exemplo, 1,00m. Nesta situação, blocos com nível de certeza
alto (e.g., > 90%) de serem iguais ou acima desta espessura mínima
compreenderiam menos que a metade do depósito.
(a) (b)
Prob.
(c) (d)
(a) (b)
(c) Prob.
prévio de A2 não ajuda em nada a saber sobre A1), a relação entre duas
variáveis aleatórias A1 e A2 é:
n n
P( Ai)= ∏ P(Ai) (4.11)
i =1 i =1
onde:
P = probabilidade compreendida em [0,1];
n
∏
i =1
P(Ai) = produto total das multiplicações de probabilidades individuais
onde: evento A1= argila ser cerâmica; A2 = espessura média do bloco ser
acima de um limite de seletividade (0,50m , 0,60m , …, 1,00m).
100
80
60
40
20
0
0 20 40 60 80 100
Prob. A.C. (%)
(a) (b)
Prob.
(c) (d)
300000
200000
100000
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.14 - Curvas mostrando cenários extremos e mediano de reservas recuperáveis segundo
diferentes níveis de seletividade mineira.
162
2,50
2,25
(t/m2)
2,00
1,75
0,4 0,5 0,6 0,7 0,8 0,9 1
Figura 4.15 - Curvas mostrando cenários extremos e mediano de recuperação em t/m2 segundo
diferentes níveis de seletividade mineira.
250000
200000
Reservas (t)
150000
100000
50000
0
50 60 70 80 90 100
Probabilidade Mínima de
Argila Cerâmica (% )
Figura 4.16 - Curvas mostrando cenários extremos e mediano de reservas recuperáveis segundo
diferentes níveis de chance de ocorrência de argila cerâmica medidos bloco-a-bloco.
165
16.50
16.25
16.00
15.75
15.50
50 60 70 80 90 100
Probabilidade Mínima de Argila Cerâmica (%)
Figura 4.17 - Valores simulados médios de absorção d’água para diferentes níveis de chance de
ocorrência de argila cerâmica (suporte 25m x 25m).
1.60
1.55
1.50
1.45
1.40
1.35
1.30
50 60 70 80 90 100
Figura 4.18 - Valores simulados médios de retração linear para diferentes níveis de chance de
ocorrência de argila cerâmica (suporte 25m x 25m).
300000
250000 P 〈 50%
50% Ot
50% Med
200000 P 〈 80%
50% Pes
100% Ot
150000 100% Med
100% Pes
100000 80% Ot
80% Med
50000 P = 100% 80% Pes
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Espessura Mínima Minerável (m)
Figura 4.19 - Cenários extremos e mediano de reservas recuperáveis conjugando três diferentes
níveis de chance mínima de ocorrência de argila cerâmica (50, 80 e 100%) e sete diferentes níveis
de seletividade mineira (P = chance de ocorrência de argila cerâmica; Ot = cenário otimista;
Med = cenário mediano; Pes = cenário pessimista).
recuperáveis mediante riscos de até 50% em encontrar uma argila fora dos
padrões requeridos e a necessidade de métodos mais seletivos. Em algum
local intermediário o minerador deverá achar seu ponto de equilíbrio
riscos/seletividade mineira/tonelagens recuperadas, e para isso acredita-se
que o tipo de análise apresentado seja suficientemente elucidativo e
orientativo à tomada de decisões mineiras relacionadas.
Tabela 4.4 - Quadro de reservas recuperáveis em cenários extremos e mediano conjugando três
diferentes níveis de chance mínima de ocorrência de argila cerâmica e diferentes níveis de
seletividade mineira.
P 〈 50 % P 〈 80 % P = 100 %
0,4 232.767 237.947 243.031 160.480 163.207 167.810 28.364 29.604 30.810
(-2,18) (+2,14) (-1,67) (+2,82) (-4,19) (+4,07)
0,5 231.056 236.487 242.296 160.480 163.207 167.810 28.364 29.604 30.810
(-2,30) (+2,46) (-1,67) (+2,82) (-4,19) (+4,07)
0,6 226.467 233.103 239.557 160.362 162.728 167.518 28.364 29.604 30.810
(-2,85) (+2,77) (-1,45) (+2,94) (-4,19) (+4,07)
0,7 211.221 220.936 228.853 153.575 159.022 165.823 28.364 29.604 30.810
(-4,40) (+3,58) (-3,43) (+4,28) (-4,19) (+4,07)
0,8 178.425 190.223 201.643 137.305 143.661 151.726 27.915 29.344 30.810
(-6,20) (+6,00) (-4,42) (+5,61) (-4,87) (5,00)
0,9 134.376 151.516 163.516 114.255 121.871 132.710 25.104 27.729 30.810
(-11,31) (+7,92) (-6,25) (+8,89) (-9,47) (11,11)
1,0 91.151 110.145 126.690 81.689 94.761 104.463 21.277 24.774 27.975
(-17,24) (+15,02) (-13,79) (+10,24) (-14,12) (12,92)
OBS.: P = probabilidade de argila cerâmica; EM = espessura mínima minerável; Pes = cenário mais pessimista; Med = cenário
mediano; Ot = cenário mais otimista; entre parênteses: oscilação em torno da mediana em percentual, para cada espessura
mínima minerável.
P≥50% (m)
EM=0,40m
P≥80%
EM=0,70m
P=100%
EM=1,00m
Figura 4.20 – Mapas de espessura recuperável de argila conjugando três diferentes níveis de
chance mínima de ocorrência de argila cerâmica e três diferentes níveis de seletividade mineira
(P = chance de ocorrência de argila cerâmica; EM = espessura mínima minerável).
300000
250000
200000
150000
100000
50000
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.21 - Curvas de reservas recuperáveis estimadas por krigagem ordinária em blocos
(argila cerâmica = argila biqueima + argila monoporosa).
Tabela 4.5 - Quadro de reservas recuperáveis estimado por krigagem ordinária em blocos,
segundo diferentes níveis de seletividade mineira.
Espessura Argila
Mínima Argila Cerâmica Argila Argila
Minerável Total (Bq+Mp) Biqueima Monoporosa
(m) (t)* (t) (t) (t)
300000
250000
Reservas (t )
200000
150000
100000
0.4 0.5 0.6 0.7 0.8 0.9 1
Espessuras Mínimas Mineráveis (m)
Figura 4.22 – Curvas de parametrização de reservas obtidas a partir de: s1x1 = simulações no
suporte 1m x 1m; s25x25med = simulações no suporte 25m x 25m (cenário mediano); k25x25 =
krigagem de blocos 25m x 25m; Pol Infl = polígonos de influência em blocos 25m x 25m.
Tabela 4.6 - Quadro de reservas recuperáveis (t) estimado por diferentes métodos e suportes.
EM Simu 1m Simu 25m Krig 25m PI 25m
(m)
OBS.: EM = espessura mínima minerável; Simu 1m = 5 realizações aleatoriamente tomadas no suporte 1m x 1m; Simu 25m =
cenário mediano para simulações no suporte 25m x 25m; Krig 25m = krigagem no suporte 25m x 25m; PI = polígono de
influência para suporte 25m x 25m.
Conclusões e Recomendações
5.1 Conclusões
5.2 Recomendações
Alabert, F. 1987b. Stochastic Imaging of Spatial Distributions Using Hard and Soft
Information. MSc. Thesis, Stanford University.
Barba, A., Feli,. C., García, J., Ginés, F., Sánchez, E., Sanz, V. & Beltrán, V. 1997.
Materias Primas para la Fabricación de Soportes de Baldosas Cerámicas.
Instituto de Tecnologia Cerámica, Castellón, 292p.
Borgman, L.E. & Frahme, R.B. 1975. A case study: multivariate properties of
bentonite in Northeastern Wyoming. Advanced geostatistics in the mining
industry, Nato Advanced Study Industry, Rome, p.381-390.
Bortoluzzi, C.A., Awdziej, J. & Zardo, S.M. 1987. “Geologia da Bacia do Paraná em
Santa Catarina”, em: Textos Básicos de Geologia e Recursos Minerais de Santa
Catarina, DNPM / Coordenadoria de Recursos Minerais da Secretaria da Ciência
e Tecnologia, Minas e Energia, Florianópolis, p.131-192.
Chilès, J.P. & Delfiner, P. 1999. Geostatistics: Modeling Spatial Uncertainty. Wiley-
Intersciense Publication, Wiley Series in Probability and Statistics, New York,
695p.
187
Costa, J.F. 1997. Developments in Recoverable Reserves and Ore Body Modeling.
PhD Thesis, WH Bryan Mining Geology Research Centre, The University of
Queensland, 333p.
Cruz Júnior, A.C. & Remacre, A.Z. 2001. Impacto dos efeitos suporte e informação
sobre a recuperação de reservas. Revista da Escola de Minas de Ouro Preto (no
prelo), 11p.
Deutsch, C.V. 1989. DECLUS: A Fortran program for determining optimum spatial
declustering weights. Computers & Geoscience, Vol.15, No.3, p.325-332.
Deutsch, C.V. & Journel, A.G. 1998. GSLIB: Geostatistical Software Library and
User’s Guide. Oxford University Press, New York, 345p.
Durão, F., Cortez, L., Brito, G. & Orea, S. 1999. Optimization of ceramic pastes
production by modeling the chemical and physical properties of their clay
components. Proceedings, 28th International Symposium on Computer
Applications in the Mineral Industries (APCOM), Golden, U.S.A, p.511-518.
Ehlschlaeger, C.R., Shortridge, A.M. & Goodchild, M.F., 1997. Visualizing spatial
data uncertainty using animation. Computers & Geoscience, Vol.23, No.4, p.387-
395.
Ethridge, F.G. 1985. Recognition of Fluvial Depositional Systems and Their Resource
Potential (Cap.5). Society of Economic Paleontologists and Mineralogists,
Oklahome, 290p.
Gilbert, L. E. 1989. Are topographic data sets fractal? Pageoph, USA, Vol.131,
No.1/2, p.241-254.
Herzfeld, U.C., Eriksson, M.G. & Holmlund, P. 1993. On the influence of kriging
parameters on the cartographic output - a study in mapping subglacial
topography. Mathematical Geology, Vol.25, No.7, p.881-899.
Isaaks, E.H. 1990. The Application of Monte Carlo Methods to the Analysis of
Spatially Correlated Data. PhD Thesis, Stanford University, USA, 213p.
Johnson, M.E. 1987. Multivariate Statistical Simulation, Wiley and Sons Publ., New
York, 230p.
Journel, A.G. 1974. Geostatistics for conditional simulation of ore bodies. Economic
Geology, Vol.69, No.5, p.673-687.
Journel, A.G. & Alabert, F. 1989. Non-Gaussian data expansion in the Earth
Sciences. Terra Nova, 1(2), p.123-134.
Journel, A.G. & Huijbregts, C.J. 1978. Mining Geostatistics, Academic Press,
London, 600p.
Koch, G.S. & Link, R.F. 1970. Statistical Analysis of Geological Data - Volume I, John
Wiley & Sons, USA, 375p.
Krige, D.G. 1951. A Statistical Approach to some Mine Valuations and Allied
Problems at the Witwaterrand. Master’s thesis, University of Witwatersrand,
South Africa.
Krige, D.G. 1981. Lognormal-de Wijsian Geostatistics for Ore Evaluation South
African Institute of Mining and Metallurgic. Johannesburg, 51p.
Krige, D.G. & Rendu, J.M. 1975. The fitting of contour surfaces to hanging and
footwall data for an irregular ore body. Proceedings of the 13th International
APCOM Symposium, Clausthal, West Germany, p.C.V.1-12.
Leeder, M.R. 1992. Sedimentology: Process and Products. Chapman & Hall, London,
344 p.
Lefond, S.J. (editor), 1983. Industrial Minerals and Rocks. Volume 1. American
Institute of Mining, Metallurgical and Petroleum Engineers, Baltimore, 722p.
Luís J., Soares, A., Gonzaga, J., Silva. F. & Ferreira A. 1994. Geostatistical
characterization of the shape of an orebody by using mining and geological data.
Proceedings, 24th International Symposium on Computer Applications in the
Mineral Industries (APCOM), CIM publisher, Canada, p.402-409.
Luster, G.R. 1985. Raw Materials for Portland Cement – Applications of Conditional
Simulation of Coregionalization. Doctoral dissertation, Stanford University, 531p.
Marechal, A. 1976. The practice of transfer functions: numerical methods and their
application. Proceedings, NATO ASI: Advanced Geostatistics in the Mining
Industry, Rome (Oct. 1975), p.221-36.
Matheron, G. 1984. The Selectivity of the Distributions and “The Second Principle of
Geostatistics”. In: Geostatistics for Natural Resources Characterization. Lake
Tahoe USA. D. Reidel Publishing Company, p.421-433.
Olea, R.A. 1974. Optimal contour mapping using universal kriging. Journal of
Geophysical Research, USA, Vol.79, No.5, p.695-702.
Olea, R.A. 1999. Geostatistics for Engineers and Earth Scientists. Kluwer Academic
Publishers, Norwell, Massachusetts, 303p.
Oliveira, S.A., Koppe, J.C. & Costa, J.F.C.L. 1995. Overburden volume estimation
assisted by geostatistics in open cast coal mine. Proceedings, 25th International
Symposium on Computer Applications in the Mineral Industries (APCOM),
Brisbane, p.181-187.
Pawlowsky, V., Olea, R.A. & Davis, J.C. 1993. Boundary Assesment Under
Uncertainty: A Case Study. Mathematical Geology, Vol.25, No.2, p.125-143.
Peroni, R., Costa, J.F., Koppe, J. & Petter, C. 2000. New mine planning strategies
applied to kaolin deposits. CD-ROM, Geostats 2000, 6th International
Geostatistical Congress, Cape Town, South Africa, 9p.
Rossi, M.E. & Alvarado C., S.B. 1998. Conditional simulations applied to recoverable
reserves. Proceedings, 27th International Symposium on Computer Applications
in the Mineral Industries (APCOM), London, United Kingdom, p.19-23.
Rossi, M.E. 1999. Uncertainty and risk models for decision-making processes.
Proceedings, 28th International Symposium on Computer Applications in the
Mineral Industries (APCOM), Golden, U.S.A, 185-195.
Roth, C. & Deraisme, J. 2000. The information effect and estimating recoverable
reserves. CD-ROM, Geostats 2000, 6th International Geostatistical Congress,
Cape Town, South Africa, 13p.
Silva, E.L., Ceita, A., Raspa, G. Simões, J. & Bruno, R. 2000. Estimation of the “in
situ” grain-size distribution curve of Quihita Kaolin Deposit (South of Angola). CD-
191
Stangler, R.L., Armstrong, M., Strieder, A.J., Koppe, J.C. & Costa, J.F. 2001.
Geostatistical framework for modeling clay deposits: Nova Veneza case study in
Southern Brazil. Geostatistics Rio 2000, Proceedings, 31st. International
Geological Congress, geostatistics sessions, Kluwer Academic Publishers,
Dordrecht Holland, p.131-146.
Stangler, R.L., J.F. Costa, Koppe & J.C. 2001. Risk in stripping ratio estimation.
Proceedings, 29th International Symposium on Computer Applications in the
Mineral Industries (APCOM2001), Beijing, China, p.81-86.
Zhu, H. 1991. Modeling Mixture of Spatial Distributions with Integrations of Soft Data,
PhD Thesis, Stanford University, 310p.
Apêndice A – Publicações Associadas à Essa Dissertação
The region of Criciúma, Santa Catarina State, Southern Brazil, is one of the world’s
main industrial districts for ceramics production. Clay minerals are one of the key
ingredients. The clay’s characteristics including several physical and chemical
parameters need to be known over the whole deposit in order to allow appropriate
mine planning, scheduling and blending. The clays homogeneity is vital for ceramic
processing.
This paper proposes a geostatistical framework to model two quality
variables: water absorption and linear retraction, both expressed as percentages,
in addition to the clay seam thickness. The methodology described was used in a
clay deposit located in the region above cited. Two sedimentary systems
conditioned by tectonic structuring, corresponding to two anisotropy systems with
different representativety, interact and affect the spatial continuity of the variables
in different ways. Samples were available from 452 auger holes covering an area
of 800m x 800m approximately. As the sample lengths varied, a 2D approach was
carried out using accumulations. Run of mine was classified as high/low quality
based on these quality variables estimations, requiring maximum accuracy in
estimate at each block.
Ordinary kriging provided estimates at 25 x 25m blocks, and stochastic
simulations were performed to assess the variability on the mining blocks’ quality.
The results obtained proved to be more efficient than traditional evaluation
methods currently used.
Abstract: 31st IGC Brazil – General Symposium 8.1
The geological processes normally influence directly the industrial parameters and
their spatial distribution on the clay minerals deposits. This paper presents a study
on a deposit of this type, located in one of the world’s main ceramics production
areas. Water absorption and linear retraction, both expressed as percentages,
were evaluated, in addition to the thickness of the clay. Depending on the quality
parameters, two kinds of clay can be mined: single and double firing. Samples
were available from auger holes spread over an area of 64 ha approximately.
Geostatistical methodologies were applied.
This clay deposit is associated to a quaternary sedimentation coming from
a close source of Paleozoic clay-bearing rocks, in a transition to a quaternary
coastal plain. Residual contributions were investigated. Two groups of sedimentary
features controlled by tectonic structures interact and influence the variables in
different ways. A NW-SE structure acts over most of this region and controls most
of the local relief and the drainage patterns. It appears in the western border of the
study area, controlling the sedimentary features that correspond to the overall
trend of the quality variables. A second structure is located in the central north part
of the area and trends NNE-SSW. A well defined channel with the thickest clay
horizon can be regarded to this direction.
The results show the strict relationships between the sedimentary and
structural conditions and the spatial disposition of ceramic characteristics of the
clay, and can be used to guide exploration works on surroundings.
GEOSTATISTICAL FRAMEWORK FOR MODELLING CLAY DEPOSITS:
NOVA VENEZA CASE STUDY IN SOUTHERN BRAZIL
Abstract
The region of Criciúma, Southern Brazil, is known as one of the main ceramic industrial
districts in the world. Clay minerals are one of the key ingredients in the ceramic industry.
Clay characteristics including several physical and chemical parameters need to be known
throughout the entire deposit to help in defining the mining plan, scheduling and blending
strategies.
This paper proposes a geostatistical framework to model two essential clay properties
required to be controlled in the ceramic industrial process, respectively water absorption
and linear retraction. The methodology proposed is illustrated in a deposit consisting of
two sedimentary systems conditioned by tectonic structures. These structures define two
anisotropy systems interacting and affecting the spatial continuity of the parameters
studied. Geological, topographical and geomorphological mapping were followed by
geostatistical evaluation. Two distinct geological domains were defined, resulting in two
sub-datasets. Samples available from auger holes were logged and analysed at different
lengths (support), requiring the use of accumulations to overcome the problem caused by
multiple sample supports.
Ordinary kriging was selected to estimate 25 x 25m blocks and stochastic simulation was
used to assess the variability of the thickness values assigned to each block. Risk on
recoverable reserves was quantified. The results obtained encourage the application of the
proposed methodology as they proved to be more efficient than traditional evaluation
methods.
Key words
1. Introduction
Industrial minerals including those used in the ceramic industry for wall and floor tiles are
experiencing a period of world-wide production expansion. These are a combination of
clay-argillite, sand-sandstones, kaolin, talc, rhyolit, phyllit, feldspar, and others.
The characterisation of deposits containing these industrial minerals always goes beyond
merely quantitative evaluating the minerals potentially interesting for ceramic
manufacturing. In order to help the decision making process, risk should be addressed. In
particular, decisions such as choosing which deposit should be mined first out of several
alternatives, or of assessing the risk of an economic failure of a certain mining plan require
an appraisal of the uncertainty associated with the estimates. To answer these problems we
require a measurement of variability in the recoverable reserves. A proper measure of these
uncertainties is obtained under the conditional simulation framework as discussed by Costa
(1997), Dimitrakopoulos (1998), Rossi & Alvarado (1998), Thwaites (1998) and Rossi
(1999).
Various parameters are required to be known in the ceramic manufacturing process and the
minerals used in the so-called ceramic formulation must satisfy specific quality
requirements. Consequently, the deposit should be classified according to distinct ore
categories, respecting the quality required by the industrial plant. Few papers report
applications of geostatistics in the field of ceramics or related to clay minerals (Borgman
and Frahme, 1975; Durão et al., 1999; Silva et al., 2000). Stangler (1999) reports a case
study to enhance ore classification using kriging in clay deposits.
Due to the complexity of the ceramic processes and its dependence on the quality of
multiple minerals used, proper geological modelling is vital to minimise fluctuations in the
plant head grade. Fluctuations cause operational disturbances, which ultimately leads to
financial lost. This paper proposes a geostatistical framework using kriging and stochastic
simulations to model clay deposits. The study illustrates how ordinary kriging (Matheron,
1963) can be used to give accurate estimates for physical parameters such as linear
retraction and water absorption. It also addresses the question of how uncertainty on the
recoverable reserves estimation can be determined.
2. Geological Setting
The area studied in the case is located in southern Brazil (see Figure 1). The region is a
transition between major geological units (Figure 2). Basically, the area comprises the
contact of Paraná Basin and a wide quaternary coastal plain. This quaternary coastal plain
is represented locally by small alluvial fans mostly composed of clays. The late Paleozoic
sedimentary rocks represent the main source of sedimentation and are also constituted by
clay minerals. These gondwanic rocks belong to the upper part of the stratigraphic column
of the Paraná Basin. The age of sedimentary formations is Late Paleozoic, covered by
Mesozoic desertic sandstones and some hundred meters thick of volcanic rocks (mostly
basaltic flow) topping the sequence (Bortoluzzi et al., 1987). Due to the basin board
environment, many gaps in the sedimentation sequence are apparent. Lateral discontinuities
are often found in the formations and in the quaternary covering sediments.
Geostatistical framework for modelling clay deposits 3
↑N
BRAZIL Atlantic
Ocean
Santa Catarina
State
Clay Deposit
Fig 1 – Geographical situation of the Nova Veneza clay deposit.
Deposit in clay
alluvial fans
e an
Oc
t ic
l an
At
0 10 20 km
A strong tectonic NW-SE structure and a subordinated tectonic N-S structure are present.
These structures conditioned the relief and consequently the patterns of the drainage.
Ancient gravity NW-SE systems were intercepted by NE-SW structures, which are
responsible for the present coastal alignment in this part of Southern Brazil. The deposit
which is the object of this study is part of this truncated geological environment (Figure 2).
The clay mineral occurs in the quaternary plain resulting from the transportation of
sedimentary Paleozoic clay rocks. In addition to the dominant NW-SE structural system
which conditioned the shape of the drainage channels in the west of the area, a
subordinated drainage channel oriented NNE-SSW intercepts the north part of the deposit
(Figure 3).
t
t
p 800 m p
Fig. 3 – Aerial photograph on left and topographic map on right both at the same scale. Two subdomains are
depicted: t for talus and p for plain. Contour lines every 5 m.
The clay occurring in the area is predominantly quartz-kaolinitic. The bedrock is basically
a black shale. The quality of clay for ceramic application depends on various parameters
including its grain size distribution, i.e. proportion between clay and sand. The latter is
normally constituted predominantly of quartz, which is more refractory in the ceramic
process. In general, after firing at high temperatures, the more clay constituted is the
material the higher is its linear retraction, while water absorption decreases as the clay
minerals constitution increases (Barba et al., 1977, p.261). Understanding the
sedimentation and the tectonic structures is important in the subsequent geostatistical
evaluation.
Two sub-domains were defined locally. The first one consists of an alluvial fan forming a
clay plain related to the main NW-SE drainage partially covered by a talus deposit in the
North portion of the area. The second subdomain comprises sediments formed along the
North portion, transported by gravity from the cliffs along the North border. Details of the
Geostatistical framework for modelling clay deposits 5
local geological settings are depicted on Figure 3. The flat valley is surrounded by
mountains composed of clay Paleozoic rocks on the West and East edges. The northern
portion is partially covered by a talus deposit. These two geological domains were used to
define two corresponding geostatistical subdomains, and as such the two will be treated
separately hereafter.
The original data set comprises 452 auger drill holes 25 mm in diameter. Samples were
collected on a quasi regular 25 X 25 m grid covering an area of 775 x 775 m. In this paper
the authors present the proposed procedure only in the southern domain, i.e. the plain.
Figure 4 shows the thickness of the clay bed at 231 sample locations within this
subdomain.
(m)
↑N
(m)
Fig. 4 – Collar location for the auger holes and their clay bed thickness.
The variables evaluated are water absorption and linear retraction, both obtained from
laboratory assays and expressed as a percentage. Laboratory analyses are obtained after
submitting the samples to the actual conditions of the ceramic process, i.e. 50 minutes at
1115° C. Water absorption represents the amount of water that a ceramic piece can absorb
after firing conditions. Linear retraction represents the shrinkage suffered by the material
after firing. In mixtures containing large amounts of silica the linear retraction can be
negative, indicating a volumetric expansion of the material. The specifications used in
classifying the clays are presented in Table 1.
6 Stangler, Strieder, Koppe, Costa & Armstrong
Table 1 – Specifications for the 2 kinds of ore in the Nova Veneza area.
Single firing clays are more valuable as they require only one firing process to reach the
ideal ceramic conditions, and produce a better quality product. In this kind of mining
operation blending is very common in order to reach proper industrial requirements, and so
an accurate classification of mining blocks is required.
The thickness values (Figure 4) present a concentration of high values in the central North
region, roughly oriented NNW-SSE. They reflect the transition from the northest talus
subdomain where there is a channel running approximately N-S (Stangler, 1999). Moving
from this region, low values of thickness are often found. These increase the nugget effect
in the variograms.
Figure 5 shows the frequency histogram for thickness before and after declustering (see
Isaaks and Srivastava, 1989, chapter 10, and Goovaerts, 1997, p.77-82 for a discussion in
declustering methods). The mean, median and quartiles decreased after cell declustering is
applied. The overall shape of the histogram and the coefficient of variation remained
practically unchanged.
(a) (b)
(m) (m)
Fig. 5 – Original sample distribution for thickness (a) and its declustering histogram (b).
Histograms for water absorption and linear retraction are depicted on Figure 6. Since the
samples were collected over different lengths as was mentioned before, it was necessary to
calculate their accumulations in order to make them additive. The use of these working
variables is common in the geostatistical literature (Krige, 1981; Journel and Huijbregts,
1978, p.244-247 and David, 1977, p. 89-90).
Figure 6 shows the histograms of water absorption and linear retraction, and of their
accumulations. The shape of the histograms of the accumulation is different to that of the
original values for water absorption, (compare with Figure 5) but the linear retraction
accumulation exhibits practically the same patterns as the raw variable.
Geostatistical framework for modelling clay deposits 7
(a) (b)
(%) (%)
(c) (d)
(%.m) (%.m)
Fig. 6 – Basic statistics for the quality variables water absorption (a) and linear retraction (b), and their
respective accumulations (c) (d).
4. Variography
The structural analysis was carried out by calculating the experimental semivariograms and
fitting variogram models which were used subsequently in kriging and conditional
simulations. In order to compare different variables measured using different units and
magnitudes all the variograms were standardised. The fitted are depicted on Figure 7.
For thickness the major axis of anisotropy is N10W. It defines a geometric anisotropy
which is the result of the combined effects of the plain sedimentation, the drainage in the
western portion, which is NW-SE oriented and the talus reworking with minor drainages
oriented approximately N-S (see Figure 3). The maximum continuity is at N25W for linear
retraction accumulation.
Mining blocks have to be classified according to the different ceramic clays and waste as
presented in Table 1. We aim at obtaining accurate estimations by applying ordinary block
kriging (Isaaks and Srivastava, 1989, p.323-337; Goovaerts, p.152-158; Armstrong, p.86-
91). The regionalised variables being modelled are accumulations (expressed in %.m),
requiring the kriged block values be divided by the thickness of each block to express the
final results at their original units (%). The kriged maps are shown in Figure 8.
8 Stangler, Strieder, Koppe, Costa & Armstrong
γ γ
(m) (m)
γ γ
(%.m)
(%.m)
γ γ
(%.m) (%.m)
Fig. 7 – Variogram models for the three variables at the major (left) and minor directions of anisotropy.
The search strategies and the variograms used for kriging were cross-validated (Isaaks and
Srivastava, 1989 chapter 15). Kriged models were used for classifying the zones of the
deposit into different classes according to the single and double firing clay definition
(Table 1). Figure 9 shows the block models and their block classification. The 348
estimated double firing clay blocks are distributed within the deposit in a relatively large
band oriented NW-SE. Some gaps are observed in this band in the SE region
corresponding mostly to single firing blocks. The 24 estimated single firing clay blocks are
all located in the SE portion in a narrow and discontinuous band oriented NW-SE. These
maps can be used to guide the mine planning and scheduling.
Geostatistical framework for modelling clay deposits 9
(m)
↑N
(m)
↑N
(m)
↑N
Fig. 8 – Kriged block maps for the quality variables and thickness. Blocks of 25x25m.
As we need to assess thickness variability within the deposit of the pre-classified clay
blocks, it was decided to use two techniques, respectively kriging for block classification
(as presented in the previous section) and simulation for risk assessment. Conditional
simulations were generated by sequential gaussian (SGS) algorithm (Isaaks, 1990).
Following the steps required in SGS, the variogram of the normal transformed data
obtained from the thickness was computed and modelled. Its shape turned out to be similar
to the original one.
A high resolution grid file covering the entire area at 1.0 x 1.0 m cell spacing and
containing a total of 560 000 nodes was generated. Fifty simulations were obtained,
starting with a few realisations and progressively adding more realisations until the
variance among the simulations stabilised. Validations of the simulations in the Gaussian
space were performed, checking carefully if the basic statistics of realisations respect
globally the convergence to an actual gaussian distribution. In the original data space, the
histograms, variograms and maps for individual realisations were plotted and compared to
the original reference distribution, variogram model and sample location map (see Figures
10, 11 and 12). Short scale ergodic fluctuations can be observed. With a good proximity
between reference and obtained features, all these realisations could be accepted and thus
taken equiprobably as possible scenarios of the data, in statistical, geostatistical, and
geological terms. To obtain simulated values for 25 x 25m mining blocks, 625 point values
were averaged per block. Multiple simulations provide a powerful tool for evaluating the
recoverable reserves and for determining the risk at the blocks defined as ore in the
10 Stangler, Strieder, Koppe, Costa & Armstrong
previous section.
(%) (%)
↑N
↑N
(%) (%)
↑N ↑N
Fig. 9 – Block models generated by ordinary kriging and classified into the two types of clay.
↑N ↑N (m)
↑N ↑N
Fig. 10 – Four out fifty realisations of thickness at 1x1 m grid, showing the spatial patterns and local
fluctuations.
Geostatistical framework for modelling clay deposits 11
Fig. 11 – Experimental variograms for three groups of ten thickness realisations each (dots) plotted against the
input model (continuous line), at the major (left) and minor directions of anisotropy (N10W and N80E).
Fig. 12 – Thickness frequency histograms for four out of fifty realisations, showing a close proximity to the
reference declustered distribution of Figure 5 b.
12 Stangler, Strieder, Koppe, Costa & Armstrong
Goovaerts (1997, p333-340) and Srivastava (1994) describe several methods for assessing
and visualising local uncertainty in mineral deposits using the results of conditional
simulations. We chose two measures for local uncertainty based on 50 realisations: (i)
coefficient of variation (CV) and (ii) probability maps, displaying block-by-block the
probability of exceeding a given threshold value.
Figure 13 shows the CV’s for mineralised blocks. In the case of double firing clay blocks,
most of the highest values are located in the borders, beyond the limit defined by the
samples. In the remaining of the area low fluctuations are observed, with some isolated
blocks showing more variability. For the few single firing clay blocks a similar situation is
observed, and the less erratic blocks are observed in the central and N parts of this zone.
Maps of the probability of a block thickness exceeding a given threshold, such as those as
shown in Figure 14, are useful to guide mine planning and scheduling in small deposits.
These maps are also relevant to select appropriate equipment given a required selectivity
during mining. Seams with low thickness require more care to be mined to avoid high
dilution. If we define a minimum thickness of 0.5 m, nearly all mineralised blocks have
very high probability to be mined without operational problems. Conversely, if we consider
a less selective mining method using larger equipment, the minimum mineable thickness
would be 1.00 m. In this situation, blocks with high confidence (say 90 %) to be equal or
above the minimum thickness comprise less than half mineralised zone.
7. Recoverable Reserves
In the previous sections we classified mineralised blocks according their estimated quality
parameters, following the study of seam thickness for each mineralised blocks. It is also
relevant to assess risk in the recoverable reserves. To address this issue, tonnages were
calculated by multiplying the constant area of each block (625 m2) by its simulated average
thickness, assuming a constant value for the specific gravity (2 t/m3). We selected the
worst, the median and the best scenarios according the average global thickness for each
simulation, in each type of pre-classified clay blocks.
Geostatistical framework for modelling clay deposits 13
↑N ↑N
Prob.
↑N ↑N
↑N ↑N
The variability of the recoverable reserves can be visualised for both types of ceramic clay
on Figure 15. The uncertainty is greater for the single firing clay, which is partly explained
by the small number of blocks included in this class. Table 2 quantifies the instability (or
risk) in predicting recoverable reserves for both types of clay in this deposit, especially for
high thickness thresholds. The uncertainty tends to be higher for thresholds above the
median.
It is also relevant in this kind of application to evaluate the area involved in mining. When
several deposits are being compared in order to select one for mining, the area involved
impacts economically on the overall project as costs are involved in land acquisition.
Fluctuations in the t/m2 parameter are relevant to the decision process described earlier.
Figure 15 shows critical aspects, highlighting the uncertainty in single firing clay.
14 Stangler, Strieder, Koppe, Costa & Armstrong
2.5000 2.5000
2.3000 2.3000
2.1000 2.1000
1.9000 1.9000
1.7000 1.7000
1.5000 1.5000
0.4 0.5 0.6 0.7 0.8 0.9 1 0.4 0.5 0.6 0.7 0.8 0.9 1
Thickness Thresholds (m) Thickness Thresholds (m)
Fig. 15 – Recoverable reserves for the worst, the best and the median scenarios (respectively the lower, the
upper and the intermediate curves on the graphics).
8. Conclusions
9. Acknowledgements
This project received the financial support of CNPq, National Science and Research
Council in Brazil. The authors are grateful to Eliane Revestimentos Cerâmicos, especially
to the geologists, Márcio Geremias and Jorge Christ, who provided the data set and
permitted the publishing of this paper.
10. References
Distribution Curve of Quihita Kaolin Deposit (South of Angola)”, WJ Kleingeld and DG Krige (eds.),
Geostats 2000, Cape Town.
Srivastava, R. M. 1994. “The Visualization of Spatial Uncertainty”, in “Stochastic Modeling and Geostatistics
Principles, Methods and Case Studies”, The American Association of Petroleum Geologists, Julsa, p339-345.
Stangler, R.L. 1999. “Geostatistical Evaluation of a Clay Mineral Deposit in Nova Veneza, Brazil”, CFSG Report,
Centre de Geostatistique de Fontainebleau, France, S-378.
Thwaites, A.M. 1998. “Assessment of geological uncertainty for a mining project”, Proceedings, 27th International
Symposium on Computer Applications in the Mineral Industries (APCOM), London, United Kingdom, 391-
404, April.
Risk in stripping ratio estimation
R. L. Stangler, J. F. Costa & J.C. Koppe
Mining Engineering Dept., Federal University of Rio Grande do Sul, Porto Alegre, Brazil – roger@ufrgs.br
ABSTRACT: Stripping ratio plays a major role in the profitability of open cast mines. Precise digital
elevation models and other interpolation surfaces used for overburden volume definition are required. This
paper uses ordinary kriging to build a 3D overburden model and conditional simulations to model multiple
scenarios for the deposit tonnage. The former permits to obtain the best interpolated models. The second
provides the tools to assess the uncertainty in mineral resources. Combining overburden volume model and
multiple models for the deposit tonnage makes possible to evaluate the range of equally probable expected
stripping ratios. The methodology is demonstrated in a clay deposit in Southern Brazil.
Figure 1. Auger-holes collars (circles and crosses) at a 25x25m Figure 3. Variograms modeled for the elevation data: major
grid. The continuous line separates two geological domains continuity direction (E-W) at the top, and minor continuity
defined by a transitional geological contact. direction (N-S) at the bottom. Note the scale difference at the
vertical axe (semivariogram function); distance in meters.
3 TOPOGRAPHICAL MAPPING
4 DATA SET WITHIN THE PLAIN
Field survey data were used to build a topographical
map via point ordinary kriging, at a regular grid The original data set comprises 452 auger drill
(10x10m). Figures 3 and 4 present respectively the holes (25 mm diameter). Samples were collected at a
variograms and the contour map defined for the quasi-regular 25x25 m grid covering an area of
elevation. Note that the map covers the area drilled 775x775 m (Fig. 1). The plain subdomain evaluated
with auger holes and was used to define the two here comprises 231 holes, with one sample/hole.
domains mentioned in the previous section.
5 VARIOGRAPHY
Figure 9 – Digital elevation model within the clay deposit Figure 10 – The top of the clay seam elevation contours
limits (lines every 0.5m). within the deposit limits (lines every 0.5m).
Combining the simulated models and the kriged The authors are kindly grateful to Eliane
volume one is able to evaluate resource and Revestimentos Cerâmicos, especially to the
stripping ratio fluctuations (Table 1). geologists, Márcio Geremias and Jorge Christ, who
For this specific case study the resources provided the data set and permitted the publishing
tonnages can have a maximum of 3.1% above the of this paper.
expected value and a minimum of 2.6% below. In
terms of stripping ratio the median expected value
ranges approximately 3% above and below. These
low expected fluctuations certainly would not
impact the profitability of the operation. 11 REFERENCES
Established geostatistical methods as ordinary Costa, J.F., 1997. Developments in Recoverable Reserves
kriging proved to be efficient to generate reliable and Ore Body Modeling, PhD Thesis, WH Bryan Mining
digital elevation models (DEM’s). Zonal Geology Research Centre, The University of Queensland,
anisotropies and drifts, frequent present in 333p.
topographical applications, can be properly
managed if the data is densely collected. Clarke, K.C., 1986. Computation of the fractal dimension of
The identification of the extremes and median topographic surfaces using the triangular prism surface area
scenarios for global resources and stripping ratio method. Computers & Geosciensces Vol 12, No. 5, Great
improves decision making in feasibility studies, Britain, pp. 713-722.
especially for marginally profitable deposits.
Dimitrakopoulos, R., 1998. Conditional Simulation
Algorithms for Modeling Orebody Uncertainty in Open Pit
10 ACKNOWLEDGEMENTS Optimisation, International Journal of Surface, Reclamation
and Environment, vol.12, pp.173-179.
This work was carried out through the financial
support of CNPq (National Science and Research Gilbert, L. E., 1989. Are topographic data sets fractal?
Council in Brazil. The undergraduate mining Pageoph , USA, Vol. 131 No 1/2, pp. 241-254.
engineering students Evandro dos Santos and
Fernando Gambin are acknowledged for their Goovaerts, P., 1997. Geostatistics for Natural Resources
computer support. Evaluation, Oxford University Press, 438p.
Table 1 – Resources summary.
Preparação da Amostra
• Amostragem (sondagem);
• Limpeza das amostras;
• Quarteamento: homogeneização e redução da amostra, com auxílio de uma pá
metálica, em uma caixa de madeira com bordas de aproximadamente 100x100 cm
de largura e comprimento capaz de acomodar uma amostra de 30kg;
• Secagem;
• Destorroamento (britador de martelo);
• Moagem (moinho de bolas de porcelana - via úmido), com resíduo de moagem
máximo 5% (#325);
• Secagem (estufa a 110oC);
• Desagregação com rolo;
• Umidificação (5 a 6%);
• Granulação em malha (#9);
• Repouso (24 horas) para homogenização da umidade;
• Prensagem;
o
• Secagem (estufa a 110 C);
• Queima (forno de laboratório).
Ensaios
Absorção d'água
Retração de Queima
Planície
700
600
500
400 Perfil W - E
300
200 0 a 0.5
0.5 a 1
1 a 1.5
1.5 a 2.5
2.5 a 3.5
100
0 100 200 300 400 500 600 700 (m)
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
725 625 525 425 325 225 125
<-- Norte Sul --> (m)
2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
200 300 400 500 600 700
<-- Oeste Leste --> (m)
Figura D.1- Espessura estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
Retração Linear (%)
Perfil N - S
700
600
500
400 Perfil W - E
300
200 0 a 1.5
1.5 a 2.5
2.5 a 3.5
3.5 a 5
5 a 11
100
0 100 200 300 400 500 600 700 (m)
6
- retração linear (%) -
5
4
3
2
1
0
725 625 525 425 325 225 125
<-- Norte Sul --> (m)
4
3.5
3
2.5
2
1.5
1
0.5
0
200 300 400 500 600 700
<-- Oeste Leste --> (m)
Figura D.2 - Retração Linear estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
Absorção d'água (%)
Perfil N - S
700
600
500
400 Perfil W - E
300
200
0 a 10
10 a 15
15 a 20
20 a 25
100
0 100 200 300 400 500 600 700 (m)
18
- absorção d`água (%) -
17
16
15
14
13
12
11
10
725 625 525 425 325 225 125
<-- Norte Sul --> (m)
18
- absorção d`água (%) -
17
16
15
14
13
12
11
10
200 300 400 500 600 700
<-- Oeste Leste --> (m)
Figura D.3 - Absorção d'água estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
700
600
500
400
300
200
Estéril
Minério
100
0 100 200 300 400 500 600 700
Figura D.4 - Localização dos blocos 25m x 25m classificados como Estéril e Minério.
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
Argila Biqueima
Argila Monoporosa
Estéril
Argila Biqueima
Argila Monoporosa
Figura D.6 - Combinação da espessura estimada da camada de argila, em relevo, com os blocos
classificados como "estéril", "argila biqueima" e "argila monoporosa", em diferentes visadas.
Absorção d'água (%) Retração Linear (%)
0 a 10 0 a 1.5
10 a 15 1.5 a 2.5
15 a 20 2.5 a 3.5
20 a 25 3.5 a 5
5 a 11
Depósito
Total 794.331 40.829 482.648 523.476 270.855
(a) (b) 5%
34%
34% Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
66%
61%
Figura D.8 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b), depósito total.
A Figura D.9 mostra os totais de argila estimada, independente de
classificação cerâmica, indicando uma equivalência entre tonelagens estimadas
para planície e para tálus.
38% Planície
39%
Transição
Tálus
23%
24%
Planície
49% Transição
Tálus
27%
Figura D.10 - Distribuição de percentuais da argila classificada como cerâmica (total dos dois tipos)
por subdomínio.
15%
Planície
15%
Transição
Tálus
70%
Figura D.11 - Distribuição de percentuais da argila classificada como fora dos padrões, por
subdomínio.
26%
39% Planície
Transição
Tálus
35%
Figura D.12 - Distribuição de percentuais da argila classificada como Monoporosa, por subdomínio.
24%
Planície
50% Transição
Tálus
26%
Figura D.13 - Distribuição de percentuais da argila classificada como Biqueima, por subdomínio.
Apêndice E – Considerações sobre o Método de ssG
valor z
Figura E.1 - Simulação de Monte-Carlo gerada a partir de uma função de distribuição cumulativa
F[u;z|(n)]. O "elésimo" valor simulado z(l)(u) é obtido como o quantil p(l) dessa distribuição
condicional, onde p(l) é um número aleatório uniformemente distribuído em [0,1]. Extraído de
Goovaerts (1997, p.352).
Até aqui foi demonstrado o algoritmo de quantis para gerar uma série de L
realizações z(l)(u), l = 1,…,L a qualquer locação específica u. Isso foi feito
amostrando a função de distribuição de freqüência cumulativa univariada
naquela locação. O modelo de função aleatória multiGaussiana tem sua lei
espacial totalmente determinada pela função covariância no ponto z. Esta é a
base de vários algoritmos de simulação, entre os quais a extensa classe de
simulações sequenciais: ao invés de modelar diretamente uma função de
distribuição de freqüência cumulativa multivariada, uma função de distribuição
de freqüência cumulativa univariada é modelada e amostrada a cada um dos N
nós visitados numa seqüência aleatória. Para assegurar a reprodução do
modelo de covariância dos pontos, cada função de distribuição de freqüência
cumulativa univariada é feita condicional não apenas aos dados originais n, mas
também a todos os valores previamente simulados.
Os métodos de simulação seqüencial compartilham basicamente as
seguintes etapas (Dimitrakopoulos, 1998, em Pilger, 2000 p.36):
Esp. Orig. Esp. Gauss. A.A.A. Orig. A.A.A. Gauss. A.A.A. Orig. A.R.L. Gauss
(m) (m) (%.m) (%.m) (%.m) (%.m)
Figura F.1 – Testes de Gaussianidade para as três variáveis de trabalho no subdomínio planície.
Apêndice G – Testes de BiGaussianidade
γ γ
(m) (m)
q = 0,50
γ γ
(m) (m)
q = 0,75
γ γ
(m) (m)
γ γ
(m) (m)
(m) (m)
q = 0,50
γ γ
(m) (m)
(m) (m)
q = 0,75
γ γ
(m) (m)
Espessura de Argila
N10W N80E
q = 0,25
γ γ
(m) (m)
(m) (m)
q = 0,50
γ γ
(m) (m)
(m) (m)
q = 0,75
γ γ
(m) (m)
Figura G.3 – Testes de biGaussianidade para espessura de argila normalizada.
Explicações no texto.
Apêndice H – Número de Realizações
Figura H.1 – Diagramas de correlação entre resultados oriundos, para absorção d’água, de 10,20 e 50
realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (A.A.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
(%)
Figura H.2 – Médias simuladas bloco-a-bloco para absorção d’água, a partir de número variável de
realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (A.A.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
2
(% )
Figura H.3 – Variâncias condicionais bloco-a-bloco para simulações de absorção d’água, a partir de
número variável de realizações conforme indicado.
.
Retração Linear
Figura H.4 - Diagramas de correlação entre resultados oriundos, para retração linear, de 10,20 e 50
realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (R.L.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
(%)
Figura H.5 - Médias simuladas bloco-a-bloco para retração linear, a partir de número variável de
realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (R.L.):
10 realizações 20 realizações
↑N ↑N
(c)
50 realizações
↑N
2
(% )
Figura H.6 - Variâncias condicionais bloco-a-bloco para simulações de retração linear, a partir de
número variável de realizações conforme indicado.
Espessura de Argila
Figura H.7 - Diagramas de correlação entre resultados oriundos, para espessura de argila, de 10,20 e
50 realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (Esp.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
(m)
Figura H.8 - Médias simuladas bloco-a-bloco para espessura de argila, a partir de número variável
de realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (Esp.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
2
(m )
Figura H.9 - Variâncias condicionais bloco-a-bloco para simulações de espessura de argila, a partir
de número variável de realizações conforme indicado.
Apêndice I – Validações das Simulações
HISTOGRAMAS DE REALIZAÇÕES:
Figura I.1 - Comparativo entre histograma amostral (pontual) de referência e histogramas de quatro
simulações no suporte 1m x 1m (de um total de cinqüenta): variável acumulação de absorção d’água.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (A.A.A.):
γ γ
N10W N80E
(m) (m)
γ γ
N10W N80E
(m) (m)
Figura I.2 – Para a variável acumulação de absorção d’água, modelo variográfico de referência
acima nas direções de maior (à esquerda) e menor continuidade (à direita), com os pontos
representando variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado;
abaixo justaposição entre variogramas experimentais de realizações (pontos) e o modelo de
referência (linhas contínuas).
Acumulação de Retração Linear
HISTOGRAMAS DE REALIZAÇÕES:
Figura I.3 - Comparativo entre histograma amostral (pontual) de referência e histogramas de quatro
simulações no suporte 1m x 1m (de um total de cinqüenta): variável acumulação de retração linear.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (A.R.L.):
γ γ
N25W N65E
(m) (m)
γ γ
N25W N65E
(m) (m)
Figura I.4 – Para a variável acumulação de retração linear, modelo variográfico de referência acima
nas direções de maior (à esquerda) e menor continuidade (à direita), com os pontos representando
variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado; abaixo
justaposição entre variogramas experimentais de realizações (pontos) e o modelo de referência
(linhas contínuas).
Espessura de Argila
HISTOGRAMAS DE REALIZAÇÕES:
Figura I.5 - Comparativo entre histograma amostral (pontual) de referência e histogramas de quatro
simulações no suporte 1m x 1m (de um total de cinqüenta): variável espessura de argila.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (Esp.):
γ γ
N10W N80E
(m) (m)
γ γ
N10W N80E
(m) (m)
Figura I.6 – Para a variável espessura de argila, modelo variográfico de referência acima nas
direções de maior (à esquerda) e menor continuidade (à direita), com os pontos representando
variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado; abaixo
justaposição entre variogramas experimentais de realizações (pontos) e o modelo de referência
(linhas contínuas).
Apêndice J – Independência de Probabilidades
100
80
60
40
20
0
0 20 40 60 80 100
Prob. A.C. (%)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Prob. A.C. (%) Prob. A.C. (%)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Prob. A.C. (%) Prob. A.C. (%)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Prob. A.C. (%) Prob. A.C. (%)